高光谱数据的提取及预处理常用方法介绍
发布时间:2024-10-25
浏览次数:1042
高光谱成像仪器在采集样品信息时,会获取到大量的光谱信息,这些光谱信息包含很多无用的信息,因此,就需要对光谱数据进行提取,提取感兴趣的区域,然后进行预处理,建立样品的预测模型。本文对高光谱数据的提取及预处理方法做了介绍。
高光谱成像仪器在采集样品信息时,会获取到大量的光谱信息,这些光谱信息包含很多无用的信息,因此,就需要对光谱数据进行提取,提取感兴趣的区域,然后进行预处理,建立样品的预测模型。本文对高光谱数据的提取及预处理方法做了介绍。
高光谱数据的提取及预处理方法:
高光谱数据包含大量的信息,易受到环境中噪声、基线漂移、杂散光等因素的影响,在建模之前对光谱数据进行预处理可改善以上影响、提高模型的准确率。常用的高光谱数据提取及预处理方法有:一阶导数(First Derivative,FD)、二阶导数(Second Derivative,SD)、S-G平滑(Savitzky-Golay平滑)、标准正态变换(Standard Normalized Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、FD+S-G、SD+S-G7种预处理方法对高光谱数据进行预处理。FD和SD可对光谱数据进行基线校正,提高光谱数据的稳定性;S-G平滑对光谱曲线进行平滑处理,减少外界环境产生的噪声影响,提高信噪比;MSC和SNV可对光谱数据进行散射校正,消除由于颗粒分布不均匀产生散射造成的光谱曲线变形。
高光谱数据特征波长筛选方法:
高光谱波段范围较广,数据量大,容易造成光谱数据冗余,导致数据分析和模型建立耗时费力。因而需要对光谱数据进行特征提取,剔除无效变量,以提高光谱数据分析与建模效率。常用的高光谱特征波长筛选方法有:连续投影算法(successive projections algorithm,SPA)、竞争性自适应重加权算法(competitive adapative reweighted sampling,CARS)2种不同方法提取特征波段。SPA是一种前向迭代搜索方法,从一个波长开始,在每次迭代中加入一个新变量,直至所选变量数达到设定值。CARS的主导思想是达尔文的“适者生存”理论,结合蒙特卡洛采样与PLS模型回归系数进行特征变量筛选。
相关产品
-
高光谱显微成像技术在植物细胞检测领域的研究
在生物、农学和生态学等学科蓬勃发展的当下,植物细胞检测的重要性愈发关键。高光谱显微成像技术作为一种崭新的非接触式检测方式,凭借其高分辨率、高灵敏度以及丰富的多..
-
高光谱成像技术在电子元器件漏胶检测的应用
高光谱相机通过获取物质在900-1700nm近红外波段的光谱特征(光谱分辨率8nm),可精准区分电子元器件、胶水、电路板等材料的化学差异。其核心原理基于光栅色散..
-
无人机机载高光谱在罂粟违法种植监测中的应用
当前我国禁毒形势依然严峻,2024年全国铲除非法罂粟种植点同比上升23%,传统人工踏勘存在效率低(人均日排查面积不足0.5km²)、隐蔽区域漏检率高等痛点。本研..
-
高光谱成像仪用于鸡肉品质的检测保证品质质量
鸡肉是一种营养丰富的健康食品,但鸡肉的品质和安全性是消费者选择鸡肉的前提。传统鸡肉品质的检测方法包括感官评定、物理仪器测定和化学分析测定,这些方法耗时、操作繁琐..